مدلسازی و پیش‌بینی سری زمانی شاخص‌های خشکسالی با روش‌های یادگیری ماشین به‌منظور مدیریت مخاطرات (مطالعۀ موردی: منطقۀ شرقی اصفهان)

خشکسالی پدیده‌ای پیچیده و مخاطره‌آمیز در کل جهان به ویژه ایران به‌شمار می‌آید. تعیین و پیش بینی شدت خشکسالی می‌تواند در مدیریت مخاطرات ناشی از آن موثر باشد. برای تعیین شدت خشکسالی از شاخص هایی استفاده شده که به دو دستۀ کلی شاخص های هواشناسی و سنجش از دور تقسیم می‌شوند. مهم‌ترین شاخص هواشناسی، شاخص بارش استانداردشده (spi) و در شاخص های سنجش از دور نیز، شاخص های مستخرج از پوشش گیاهی (ndvi) و شاخص دمای سطح زمین (lst) بوده است. برای مدلسازی رفتار سری زمانی این شاخص‌ها و همچنین پیش بینی مقادیر آیندۀ آنها، روش های یادگیری ماشین توانسته اند کارایی زیادی از خود نشان دهند. این مقاله نیز قصد دارد کارایی چهار روش مهم یادگیری ماشین یعنی شبکۀ عصبی (nn)، رگرسیون بردار پشتیبان (svr)، ماشین بردار پشتیبان کمترین مربعات (lssvm) و همچنین یک سیستم فازی بر پایۀ شبکۀ عصبی تطبیقی (anfis) را برای مدلسازی شاخص های هواشناسی و سنجش از دور منطقۀ شرقی اصفهان از سال 2000 تا 2014 و پیش بینی مقادیر آنها در 2015 و 2016 بررسی کند. داده های به کاررفته، سری زمانی ndvi و lst ماهوارۀ مادیس و سری زمانی دادۀ میزان بارش ماهواره trmm منطقۀ مطالعاتی است. در ابتدا، سری زمانی شاخص های وضعیت گیاهی (vci) و شاخص پوشش گیاهی دمایی (tvx) از داده های ndvi و lst و سری زمانی spiدوازده‌ماهه از داده های مقدار بارش ساخته شده است. در ادامه رفتار این سه سری زمانی، توسط هر چهار روش یادشده مدلسازی شده که مطابق با نتایج، svr بیشترین کارایی و nn کمترین کارایی را در بین این روش ها داشته است. سرعت عملکرد lssvm و سپس anfis نیز بیشتر از سایر روش ها بوده است. در پایان، با طراحی یک سیستم استنتاج فازی (fis)، وضعیت خشکسالی در دو فصل بهار و تابستان 2000 تا 2016 بررسی شده که نتایج نشان از نرمال بودن وضعیت بهار در همۀ سال ها به جز دو سال 2000 و 2011 و خشکسالی شدید تابستان در همۀ سال ها به‌جز چهار سال 2000، 2010، 2011 و 2014 داشته است. در واقع این پژوهش قصد داشت به‌کمک روش های یادگیری ماشین و استفاده از سری زمانی داده های سنجش از دور و هواشناسی و تلفیق آنها در یک سیستم fis، راهکاری را برای مدلسازی رفتار خشکسالی و پیش بینی و پایش آن در آینده ارائه دهد.

Modeling and Predicting the Drought Indices Time Series Using Machine Learning Methods In Order To Managing Hazards(Case Study: Eastern District of Isfahan)

The drought has been known as a complex and perilous phenomenon at the whole of the world especially in Iran. Determining and predicting its severity can be effective at managing the hazards due to it. To determine the drought severity, the indices have been used that can be divided into two broad categories of meteorological (M) and remotelysensed (RS) indices. The most important M index has been the standardized perception index (SPI), and the common RS indices have been those extracted from the vegetation index (NDVI) and land surface temperature (LST) index. For modeling time series behavior of these indices and also predicting their future values, the machine learning methods can indicate the high efficiency. This paper also aims to evaluate the performance of four important machine learning methods, i.e. neural network (NN), support vector regression (SVR), least squares support vector machine (LSSVM) and also an adaptive neuro fuzzy inference system (ANFIS) for modeling the M and RS indices of Eastern district of Isfahan during 2000 to 2014 and predicting their values at 2015 and 2016. The data used in this paper are the NDVI and LST time series of MODIS, and the rainfall time series of TRMM satellite of study area. At first, the vegetation condition index (VCI) and temperature vegetation index (TVX) have been built by NDVI and LST and 12month SPI has been built by rainfall data. Next, the time series behavior of three these indices has been modeled by four aforementioned methods that according to the results, SVR has a highest efficiency and NN has a lowest efficiency among these methods. The speed performance of LSSVM and then ANFIS have been higher than the other methods. Finally by designing a fuzzy inference system (FIS), the drought severity at spring and summer of 2000 to 2016 has been monitored that the results have shown the normality of the spring in all years except 2000 and 2011 and severe drought in the summer in all years except for the four years 2000, 2010, 2011 and 2014. In fact, this research has aimed to present a strategy for modeling drought behavior and predicting and monitoring it at future using machine learning methods and the remotelysensed and meteorological time series data and fusing them in a FIS system.